走向根记忆：个性化 LLM 的隐式逻辑记忆检索的基准测试和增强

内存系统对于个性化 大语言模型 (LLM) 至关重要。然而，这些系统中现有的检索方法主要依赖于语义相似性，可能会丢失语义重叠有限的逻辑关键记忆。目前的基准仍然不足以评估这个问题。为了解决这一差距，我们构建了 IMLogic，这是第一个针对长对话场景中隐式逻辑记忆检索的高质量基准测试。受这一挑战的推动，我们引入了根记忆，这是一种结构化的、保留决策的表示，可以从长期用户历史中提取可重用的个性化逻辑。然后，我们提出了 RootMem，这是一个即插即用的框架，它首先将原始历史提炼为结构化根记忆，然后使用基于 LLM 的路由器来激活逻辑相关的记忆，用个性化决策逻辑补充语义检索。大量实验表明，RootMem 的性能显着优于最强的检索基线，并持续提高现有记忆代理的准确性。我们的基准测试和代码将在 https://anonymous.4open.science/r/IMLogic-DBB3 上提供。